问题标签 [boosting]

我想对用户搜索词（苹果 iphone 5s）进行模糊搜索。我想给第一个（苹果）更多的分值，少一点给第二个等等。

我从下面给出的查询开始，但没有按预期工作：

我可以知道如何编写此查询吗？

这个查询返回给我所有的文档，它有is_job_seeking=1，和is_active=0，is_active=1这很好，现在当我想提高is_active=1我添加boosting的文档的分数时

但这只会给我结果is_active=1

文档 (1) 中的示例使用分类示例。但是，我需要使用回归。如何在 R 中进行回归自适应提升？

此代码导致以下错误：

这是我的数据示例：

1. http://www.rdocumentation.org/packages/adabag/functions/adabag-package

我使用 R 中的“ada”包构建了一个包含 50 个决策树的提升模型。如何打印在“ada”迭代中构建的决策树？

我可以使用“打印”功能来显示“rpart”对象的详细信息，是否有任何类似的功能可以打印“ada”对象中构建的决策树？

非常感谢你！

我的示例代码如下：

我正在尝试为 Elastic Search (Elastic.co) 实施相关性反馈。

我知道提升查询，它允许指定正负术语，其想法是折扣负术语，而不是像布尔 must_not 那样排除它们。

但是，我正在尝试实现积极和消极方面的分层提升。

也就是说，我想获取一个合并的正负术语列表并生成一个查询，以便有不同的正负提升层，每个都包含自己的查询词。

类似（伪查询）：

我的问题是这是否可以通过嵌套的提升查询来实现，或者我是否最好使用多个should子句。

我担心的是，我不确定 bool 查询的 should 子句中 0.2 的提升是否仍然会使文档的分数增加，因为我想打折文档，而不是提供任何分数的增加.

通过提升查询，我担心我无法控制积极项的加权程度。

任何帮助或对其他实现的建议，将不胜感激。（我真正想做的是为相关文档创建一个语言模型并使用它来排名，但我不知道如何在弹性中轻松实现。）

我知道弹性搜索在计算查询检索到的文档的分数时会考虑字段的长度。字段越短，权重越高（请参阅字段长度规范）。

我喜欢这种行为：当我搜索时，iphone我iphone 6对Crappy accessories for: iphone 5 iphone 5s iphone 6.

现在，我想尝试提升这个东西，假设我想加倍它的重要性。

我知道可以使用函数 score修改分数，我想我可以通过脚本 score实现我想要的。

我试图在分数中添加另一个字段长度规范，如下所示：

但是我失败了，收到了这个错误：[No parser for element [function_score]]

编辑：

我的第一个错误是我没有将函数得分包装在“查询”中。现在我编辑了上面的代码。我的新错误说

编辑：我提供了第一个答案，但我希望有一个更好的答案

我对 sklearn Gradient Boosting Classifier 的 estimator.loss_ 方法有疑问。我试图将测试错误与一段时间内的训练错误进行比较。这是我的一些数据准备：

此时，当我打印出我的数组形状时

我得到：

分别。

所以我的形状根据 sklearn 文档是兼容的。但接下来，我尝试填充一个测试分数向量，以便将其与我的训练错误进行比较，如下所示：

我收到以下错误：

我不确定 47 是从哪里来的。我之前在另一个数据集上使用过相同的程序并且没有问题。任何帮助将非常感激。

如何使用功能 adaboost.M1？我正在 R 中测试以下代码。但我总是收到错误消息：错误：找不到函数“adaboost.M1”。我错过了哪些包裹？谢谢

我正在使用 xgboost 进行排名

据我了解，梯度提升是通过计算学习决策树的加权和来工作的。如何访问分配给每个学习助推器的权重？我想尝试在训练后对权重进行后处理以加快预测步骤，但我不知道如何获得单个权重。使用时dump_model()，可以在创建的文件中看到不同的决策树，但没有存储权重。在 API 中我没有找到合适的函数。或者我可以使用收缩参数手动计算权重eta吗？

我正在尝试使用 XGBoost 技术进行预测。由于我的因变量是连续的，我使用 XGBoost 进行回归，但各种门户中可用的大多数参考资料都用于分类。虽然我知道通过使用

我们可以进行回归，但我仍然需要对其他参数进行一些澄清。如果有人可以为我提供它的 R 片段，那将是一个很大的帮助。